机器学习资料大汇总
机器学习资料大汇总
作者：我爱机器学习(52ml.net)
注：本页面主要针对想快速上手机器学习而又不想深入研究的同学，对于专门的researcher，建议直接啃 PRML，ESL，MLAPP以及你相应方向的书（比如Numerical Optimization，Graphic Model等），另外就是Follow牛会牛paper，如果谁有兴趣也可以一起来整理个专业的汇总页。本页面将持续更新，敬请关注，如有推荐的文章请留言，谢谢！
000 开源工具
001 公开课
Machine Learning | Coursera Andrew NG在coursera上的课，难度比公开课略低，适合入门
斯坦福大学公开课 ：机器学习课程 Andrew NG在学校里面的课程，网易公开课有中英文字幕，可以配合笔记来看
CMU机器学习系主任Tom Mitchell院士机器学习课程视频及课件（英文）
机器学习|加州理工，老师是Yaser Abu-Mostafa，会从最基本的理论开始，为你构建机器学习的基础。
机器学习基石 如果想听中文课程，台湾大学的这门就很合适，友情提示，台大的课程基本上都可以加快语速来听，原因你懂的
神经网络|多伦多大学 鼎鼎大名的Geoffrey Hinton ，这门课着实不容错过
凸优化课程|斯坦福 授课老师是凸优化经典教材的作者Stephen Boyd！有难度有挑战！
概率图模型 coursera的另外一个创始人，Daphne Koller的课程，值得一提的是，Koller因提出了Probabilistic Relational Models拿到了2001年的IJCAI Computers and Thought Award
统计学习|斯坦福 授课老师是ESL作者 ，还有同学把视频放在了百度网盘上～ 这个更快一些
1. 机器学习入门篇
1.1 机器学习介绍
机器学习-维基百科 Machine Learning-Wikipedia
规则与机器学习 不建议为了机器学习而机器学习，对于初学者应该是先规则再机器学习，规则直观，可以深入理解领域知识和特征，要记住一个机器学习的专家必须首先是该领域知识的专家。
贝叶斯思想 MLAPP 第5章 Bayesian statistics 第6章 Frequentist statistics 机器学习第6章 贝叶斯学习
监督学习 ESL 第2章 Overview of Supervised Learning
1.2 书籍
《统计学习方法》 第1章 统计学习方法概论
《机器学习》（Mitchell） 第1章 引言
PRML 第1章 Introduction
MLAPP 第1章 Introduction 第2章 Probability
ESL 第1章 Introduction
Some Notes on Applied Mathematics for Machine (选修)
Machine Learning Textbook minireviews
List of Cool Machine Learning Books
1.3 数学基础
线性代数：公开课： 线性代数；推荐文章 ： 线性代数的本质，
概率论：公开课： 概率课|台大 叶老师为人风趣幽默，课程也比较简单，容易听进去
书籍：MLAPP第二章
微积分：公开课：单变量微积分|MIT 多变量微积分|MIT
——————————————-
1.4 LDA
1.4 Spectral Clustering
1.5 图像处理
2 线性回归模型
PRML 第3章 Linear Models for Regression
MLAPP 第7章 Linear Regression 第13章 Sparse Linear Models
ESL 第3章 Linear Method for Regression
3 线性分类模型
PRML 第4章 Linear Models for Classification
MLAPP 第8章 Logistic Regression 第9章 Generalized Linear Models and the exponential family
ESL 第4章 Linear Method for Classification
统计机器学习 第6章 逻辑斯谛回归与最大熵模型
4 神经网络
PRML 第5章 Neural Networks
ESL 第11章 Neural Networks
统计学习方法 第2章 感知机
机器学习 第4章 人工神经网络
5 支持向量机
统计学习方法 第7章 支持向量机 (强烈推荐)
PRML 第6章 Kernel Methods 第7章 Sparse Kernel Machine
ESL 第12章 Support Vector Machines and Flexible Discriminants
MLAPP 第14章 Kernels
6 图模型
PRML 第8章 Graphical Models
MLAPP 第10章 Directed graphical models（Bayes nets） 第19章 Undirected Graphical Models（Marcov random fields）第20章 Exact inference for graphical models 第26章 Graphical model structure learning
统计学习方法 第10章 隐马尔可夫模型 第11章 条件随机场
机器学习 6.11 贝叶斯信念网
ESL 第17章 Undirected Graphical Models
Koller 的书
Jordan 的书
7 混合模型和EM
PRML 第9章 Mixture Models and EM
MLAPP 第11章 Mixture models and the EM algorithm
ESL 8.5 The EM Algorithm
统计学习方法 第9章 EM算法及其推广
8 近似推理
PRML 第10章 Approximate Inference
MLAPP 第21章 Variational Inference 第22章 More Variational Inference
9 采样方法
PRML 第11章 Sampling Methods
MLAPP 第23章 Monte Carlo inference 第24章 Markov Chain Monte Carlo (MCMC) inference
ESL 8.6 MCMC for Sampling from Posterior
10 PCA
PRML 第12章 Continuous Latent Variables
MLAPP 第12章 Latent Linear Models
ESL 14.5 Principal Componens， Curves and Surfaces
11 HMM
PRML 13.1 13.2 Hidden Marcov Models
MLAPP 第17章 Marcov and Hidden Marcov Models
12 组合模型
(投票，boosting，bagging，树模型，model averaging)
PRML 第14章 Combining Models
统计学习方法 第5章 决策树 第8章 提升方法
MLAPP 第16章 Adaptive basis function models
ESL 第15章 Random Forests 第16章 Ensemble Learning 8.7 Bagging 第9章 Additive Models, Trees, and Related Methods 第10章 Boosting and Additive Trees
机器学习 第3章 决策树学习
14 聚类
ESL 14.3 Cluster Analysis
MLAPP 25章 Clustering
PRML 9.1 K-means Clustering
15 近邻
ELS 第13章 Protype Methods and Nearest-Neighbors
16 Deep Learning
MLAPP 第28章 Deep Learning
2.2 Deep Learning教程
UFLDL-斯坦福大学Andrew Ng教授“Deep Learning”教程
3. 自然语言处理入门篇
3.1 斯坦福大学自然语言处理公开课
NLP | 斯坦福 授课教师是 Dan Jurafsky 以及 Christopher Manning，英文不是很有信心的可以参考《斯坦福大学自然语言处理公开课中文解读》
NLP | 哥伦比亚 授课老师是Michael Collins大神